基于多元数据动态时延匹配的新型回声状态网络工业过程时间序列预测

发布时间：2024-05-30 01:51

　　凭借强大的动态性能学习能力,回声状态网络(echo state network,ESN)开始应用于工业过程多元时间序列的预测,以帮助解决过程监督、控制和优化的关键问题。传统的ESN在网络结构上采用随机生成的稀疏储备池和单一的神经元模型,导致其节点耦合性强且计算能力有限,难以适用于复杂工业过程;而在信息匹配处理方面基于静态时延信息以固定的时间维度选择多元数据,忽略了真实过程的动态时延特性,可能导致网络模型数据错位或遗漏某些关键数据信息。论文针对以上问题进行了深入研究,取得的主要研究成果如下:1、针对传统ESN模型的结构缺陷,提出了一种混合型循环跳跃储备池(hybrid cycle reservoir with jumps,HCRJ)网络。其中,通过探索储备池循环结构和跳转结构中混合小波神经元的注入方式,构建了最优模型。最后在石油钻井关键变量的预测任务中,验证了网络的优越性。2、基于动态时延的理论,提出了一种面向网络模型的多元时序数据动态匹配方法。其根据变量间动态传递时间,为每个预测值指定了所选多元数据的时间维度,使网络在运行期间可以准确且快速的抓取到最大贡献数据。最后将所提出方法用于精馏...

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

图２－２动态与静态时延??Ｆｉｇ．?２－２?Ｄｙｎａｍｉｃ?ａｎｄ?ｓｔａｔｉｃ?ｔｉｍｅ－ｄｅｌａｙｓ??为了相对独立的依赖数据知识，使技术工人的技术支持相对可能的少，一般采用??理

?北京化工大学硕士学位论文???ｎ??Ｙｋ＝４Ｚ；（ｋ）?式（２－１１）??ｔ＝ｉ??其中，其数值越接近１，代表序列曲线相似度越高，否则相关度越低，一般使用热力??图进行最后的知识体系表达。??２．３．３多元变量间时延估计??在许多工业过程中，多元变量之间都存在关联性，其相互作用....

图２－３时间窗口滑动过程??Ｆｉｇ．?２－３?Ｔｉｍｅ?ｗｉｎｄｏｗ?ｓｌｉｄｉｎｇ?ｐｒｏｃｅｓｓｅｓ??描述变量间的相关系数Ｐｅ［－ｉ，ｉ］，过程变量间的正反影响关系由正负值确定

据段相似度的系数值，如下式所示，??由此提取变量间每个时间点的动态时延信息。??Ｐｘｙ（〇（ｋｉ）＝丄ｆ?０，．．．，ｎ．式（２－１３）??ｎｋ?含?Ｓｘ（ｊ）Ｓｙ（ｊ＋ｋ）??其中，ｋ＝０，１，２，?？?？？，＆滑动宽度ｋ是平滑窗口的移动范围，（〇代表时间。设置观测宽??度＆为....

图２？４伸缩时间窗口对时延提取流程??Ｆｉｇ．?２－４?Ｅｘｔｒａｃｔｉｏｎｓ?ｏｆ?ｔｉｍｅ?ｄｅｌａｙｓ?ｉｎ?ｅｌａｓｔｉｃ?ｔｉｍｅ?ｗｉｎｄｏｗｓ??

?北京化工大学硕士学位论文???整体算法的核心是观测窗口?ｎｋ的大小，其扩张判断的依据是在当前时间窗口下：??（１）是否存在因局部强干扰导致时间序列之间的反向时延（整体时延方向为正）的相似度??数值过大的情况。（２）变量间的相关系数的绝对值是否大于整段数据下变量的相关系数??的绝....

图２－６不同网络模型的预测精度??Ｆｉｇ．?２－６?Ｐｒｅｄｉｃｔｉｏｎ?ａｃｃｕｒａｃｉｅｓ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌｓ??２．４．２工业变量之间的时延提取??

?北京化工大学硕士学位论文???０．１８?－？???ＥＳＮ??Ｉ?－＊？?ＳＣＲ??０１６?Ｘ?ＨＥＳＮ??、、、?ＨＳＣＲ??０．１４?、、、、??０．０８????０．０６??二丄、、??今?＾?＾?＾?＾??Ｒｅｓｅｒｖｏｉｒ?Ｓｉｚｅ??图２－６不同网络模型的预测精度??Ｆ....

本文编号：3984399